Presentacion analisis de regresion
- 1. ESTIMACIÓN DE LA DEMANDA Mario Iván Flores
- 2. CONTENIDO 1 Introducción 2 Análisis de Regresiónl 3 Regresión Simple 4 Regresión Múltiple 5 Problemas de Identificación, Multilinealidad y Autocorrelación
- 3. INTRODUCCIÓN Para saber que es lo que los consumidores quieren se necesita recurrir a investigar el mercado, para recolectar datos y después estimar la demanda mediante un análisis de regresión. MARIO IVAN FLORES
- 4. ANÁLISIS DE REGRESIÓN Este análisis se usa para estimar la demanda, la oferta, la producción , el costo, para estudios macroeconómicos de consumo, inversión etc. Para aplicar este análisis se necesitan datos de las variables independientes que se consideran afectan a la variables dependiente (demanda, oferta, producción , etc). MARIO IVAN FLORES
- 5. ANÁLISIS DE REGRESIÓN Los datos que se pueden utilizar son: de corte trasversal (información para un período) y de series de tiempo (información para varios períodos). La aplicación del análisis requiere de establecer la variable dependientes, las variables independientes y la variable nula. La variable nula no implicaciones de relación con la variable dependiente, solo es informativa.
- 6. Ecuación de Regresión Y= a +b1X1+b2X2b3X3b4X4 Y=Variable Dependiente a= Constante, intersección en Y b1,2,3,4: coeficientes de la variables independientes y nula (pendiente), que miden su impacto en la variable dependiente. X1,2,3=Variables independientes 1,2,3 X4= Variable nula
- 7. ANÁLISIS DE REGRESIÓN Pasos del proceso del Análisis de Regresión: 1.Recolección de datos 2.Estimación de ecuación de regresión: Normalmente mediante mínimos cuadrados 3.Revisión de signos: signo negativo significa relación inversa entre la variable dependiente y la independiente. Signo positivo una relación directa entre estas variables. 4.Cálculos de coeficientes de elasticidad: se calcula la primera derivada de la variable dependiente, para c/variable independiente y el resultado se multiplica por el dato de la variable independiente dividido entre dato obtenido del variable dependiente.
- 8. ANÁLISIS DE REGRESIÓN 5. Determinación de significancia estadistica para cada coeficiente: Permite determinar la confiabilidad de que cada coeficiente basado en la muestra son un fiel reflejo de la población. Se obtiene mediante la división de cada coeficiente entre el error estándar estimado: si es mayor que 2 el coeficiente es significativo.
- 9. ANÁLISIS DE REGRESIÓN 6. Coeficiente de Determinación: Se calcula para establecer el nivel explicativo que tienen las variables independientes sobre la variable dependiente. 7. Determinación de la significancia estadística de toda la ecuación de regresión (prueba F): Sirve para determinar si en verdad la ecuación de regresión total basada en la muestra es un fiel reflejo de la ecuación de regresión de la población, o sea se pretende establecer si el R² (coeficiente de determinación ) de la muestra es representativa del valor explicativo de R² para la población. Esto ocurre Si la prueba F es mayor que los valores críticos.
- 10. ANÁLISIS DE REGRESIÓN 8. Superadas las pruebas antes indicadas se da por aceptada la ecuación de regresión obtenida de la muestra, 9. Estimación de la demanda o de cualquier factor para el cual se hace el análisis: Se logra sustituyendo los datos que correspondan en las variables independientes.
- 11. ANÁLISIS DE REGRESIÓN Tipos de Modelos de Regresión: Simple Múltiple. Regresión Simple: Considera una relación lineal entre un variable independiente y la dependiente. Ecuación de Regresión Simple: Y= a +bX+u Donde: Y=Variable Dependiente a= Constante, intersección en Y b: Coeficientes de la variable independiente (pendiente). U=Factor aleatorio.
- 12. REGRESIÓN SIMPLE “u” se utiliza cuando se trabaja con modelos probabilísticos, o sea aquellos modelos en donde existe la probabilidad de que otros factores no incluidos en el análisis puedan afectar a la variable dependiente (demanda). Lo modelos determinísticos son aquellos en los que existe la certeza de que sólo las variables independientes incluidas en el análisis son las que afectan a la variable dependiente (demanda). No se necesita recurrir a “u”.
- 13. REGRESIÓN SIMPLE Estimación de la ecuación de regresión: mediante técnicas de ajuste, especialmente mínimos cuadrados, utilizando calculadoras o softwares. La regresión es fácil de aplicar, pero díficilmente será suficiente para explicar el comportamiento de un fenómeno (variable dependiente)
- 14. REGRESIÓN MÚLTIPLE S utiliza para establecer la relación y explicación lineal de una variable dependiente a partir de más de una variable. Ecuación de Regresión Múltiple Y= a +b1X1+b2X2b3X3b4X4 Y=Variable Dependiente a= Constante, intersección en Y b1,2,3,4: coeficientes de la variables independientes y nula (pendiente), que miden su impacto en la variable dependiente.
- 15. REGRESIÓN MÚLTIPLE b1,2,3,4: coeficientes de la variables independientes y nula (pendiente), que miden su impacto en la variable dependiente. X1,2,3=Variables independientes 1,2,3 X4= Variable nula La correlación múltiple es un análisis más completo, pero sólo deben incluirse las variables independientes más significativas o determinantes p/ el estudio de la variable dependiente.
- 16. REGRESIÓN MÚLTIPLE LA REGRESIÓN PARA PRONISTICAR: Una vez que se ha estimado la ecuación de regresión con sus coeficientes, sólo se tiene que asignar valores a las variables independientes y se obtiene el pronóstico de la variable dependiente (demanda). Cuando la relación entre las variables no es lineal, se debe utilizar ecuaciones no lineales, o hacer ajustes con mínimos cuadrados solo cuando la información lo justifique.
- 17. PROBLEMAS CON LA REGRESIÓN Problema de Identificación: situación en la cual diversos factores afectan simultáneamente a varios fenómenos , por tanto no se puede aislar la influencia de esos factores en una sola variable dependiente. Multicolinealidad: tendencia de 2 o más variables a asociarse simultáneamente para afectar a la variable dependiente, lo que hace difícil separar el efecto que c/una tiene en la variable dependiente.
- 18. PROBLEMAS CON LA REGRESIÓN Problema de Autocorrelación: situación en la cual la variable independiente se relaciona con la variable dependiente siguiendo un patrón definido.